MMJul, 2022

通过在辅助空间中使用 Gumbel-Softmax 抽样进行多样化的人体动作预测

PDF
TL;DR该文章提出了一种基于 Gumbel-Softmax 采样和 hinge 损失函数，通过在辅助空间内进行随机采样来实现从深度生成模型中多样化采样的新策略，并通过大量实验证明其在人体运动预测方面的效果显著优于现有策略
human motion predictiondiverse samplingdeep generative networksgumbel-softmax samplinghinge loss function
发现论文，激发创造
  • 生成平滑的姿势序列以进行多样化的人体动作预测

    本文中提出了一种统一的深度生成网络，用于多样化和可控的人体运动预测，该网络基于正则化流姿势先验和关节角损失函数，能够有效地提高模型的准确性和样本多样性。

    Aug, 2021

  • DLow：用于多样化人体动作预测的不同潜在变化的流

    提出了一种名为 Diversifying Latent Flows（DLow）的深度生成模型的采样方法，该方法使用一组可学习的映射函数将单个随机变量映射到一组相关的潜变量，并将其解码成一组相关样本，以优化潜在的映射从而提高样本的多样性和准确性。

    Mar, 2020

  • 通过学习平滑的潜在转换学习多样化的随机人形动作生成器

    本文提出了一种基于骨架的动作生成方法，采用潜在动作序列的低维潜在空间来构建平滑多样的状态转移模型，并在逐帧解码器的支持下生成动作序列，在生成多样性方面表现优异，同时在同一模型中实现了动作序列分类。

    Dec, 2019

  • DiversityGAN: 通过潜在语义采样实现多样化意识的车辆运动预测

    通过使用生成对抗网络模型和低维度近似语义空间，本文提出了一种新的逼真而多样化的车辆轨迹生成方法，可以从语义上控制轨迹的分布，具有最先进的预测性能和改进的安全性评估能力。

    Nov, 2019

  • 随机运动预测的人体关节运动扩散细化

    该研究提出了一种名为 MotionDiff 的扩散概率模型，将人体运动的运动学视为受热的粒子，其自原始状态扩散到噪声分布。该方法通过一种自然的方式获取了 “白化” 的潜在变量，而无需任何可训练参数，证明 MotionDiff 模型在两种数据集上具有竞争力的准确性和多样性表现。

    Oct, 2022

  • HP-GAN：通过 GAN 实现的概率三维人体动作预测

    本文章提出了一种基于序列到序列模型的、名为 HP-GAN 的人体运动预测方法，用于深度神经网络建模和学习算法中的概率估计和合成数据生成任务；该方法利用改进的 Wasserstein GAN 和自定义损失函数进行训练，并进行了多种动作类型和数据集的测试，其预测能力的表现可通过只用 10 帧输入生成超过 30 帧的多个合理预测结果来体现。

    Nov, 2017

  • 生成模型增强的人体动作预测

    提出了一种基于生成模型的新的 out-of-distribution (OoD) 基准，用于预测人类运动，并且这种方法能够有效地提高模型的鲁棒性和可解释性。

    Oct, 2020

  • 社交方式：使用 GAN 学习行人轨迹的多模态分布

    本文提出了一种基于 GAN 和 Info-GAN 的行人运动预测方法，通过去除 L2 损失函数并使用多模态预测方式，成功避免了 GAN 中的 mode collapsing 和 dropping 问题，同时在真实数据和合成数据上的实验表明，该方法能够生成更多样化的预测结果，并且能够保留预测分布的模态。

    Apr, 2019

  • 多样动作：通过离散扩散 实现多样人体动作生成

    DiverseMotion 是一种新的方法，通过保持运动多样性，在基于文本描述的高质量人体运动合成中为优先适应训练运动而牺牲动作多样性的现有方法提供解决方案。

    Sep, 2023

  • 多层空间时域锚点引导的多样化人体动作预测

    本文提出了一种称为 STARS 的新颖方法，利用确定性可学习的组件（锚点）来提高样本精度和多样性，在不同运动预测器中应用。同时，还提出了一种新的作用增强的空间 - 时间图卷积网络（IE-STGCN），并将锚点集成到其中，以提高对人类运动建模的效果。实验结果表明，该方法在随机和确定性预测方面均优于现有技术水平，是建模人体运动的统一框架。

    Feb, 2023